KNLConv：用于高光谱图像超分辨率的核空间非局部卷积

基于摘要分析。本文研究高光谱图像超分辨率（HSISR），针对像素级自适应卷积主要从局部图像块提取特征、难以利用潜在长程依赖的问题，提出核空间非局部卷积 KNLConv，在生成的卷积核空间中探索非局部关联，以全局信息引导图像特征提取。 机制上，KNLConv 将卷积核空间分解为空间维度与通道维度：先在核空间的空间维度设计逐通道非局部扩展卷积（NLEC），探索潜在全局关联；再引入自适应逐点卷积（APC），将 NLEC 推广至像素级，并整合通道维度的特征。其主要方法区别是将非局部依赖建模放到生成的卷积核空间，而不只是扩大局部特征提取范围。作者还基于该算子构建了 HSISR 网络，但摘要未提供完整架构、核生成方式、损失及训练细节。 作者报告，在所进行的 HSISR 实验中，该方法的定量指标与视觉质量优于当前先进方法。摘要未列出数据集、划分、指标数值及具体对照，因此无法核对优势幅度或跨协议可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 的时序或通道关系能够通过自适应卷积核表达，核空间非局部建模可能用于检验局部卷积难以捕获长程依赖这一瓶颈。可考虑复用核空间关联建模思路，但需重新定义 EEG 的时间轴、通道拓扑及输出任务，不能直接把高光谱波段等同于电极通道。原方法面向具有空间与光谱结构的图像，具体监督方式及训练规模尚未验证；EEG 的低信噪比、跨被试差异、通道配置变化和小样本条件可能使自适应核学习不稳定。一个可证伪的小实验是假设在固定 EEG 数据划分、训练预算及分类骨干下，仅替换局部卷积为核空间非局部模块，对照分类指标及多次重复的波动，检验收益是否稳定。已有 EEG 相关工作尚未检索确认，上述设想不属于论文已验证结果。